Tạo giọng nói bằng AI

Công cụ tạo giọng nói bằng AI biến văn bản thành âm thanh lời nói. Bạn nhập nội dung cần đọc và mô tả giọng đọc nghe như thế nào, chẳng hạn độ tuổi, giọng vùng miền, nhịp độ và cảm xúc, rồi mô hình sẽ thể hiện lại. Kết quả là một tệp âm thanh bạn có thể đưa vào video, game, đoạn mở đầu podcast hoặc bài thuyết trình.

Trên Mage, mô hình giọng nói là Seed Audio. Mô hình tạo giọng nói, hội thoại, nhạc và hiệu ứng âm thanh từ một prompt, rồi trả về tệp MP3 có độ dài đúng như bạn chọn: 5, 10, 30, 60 hoặc 120 giây. Bạn có thể dùng một ảnh tham chiếu, hoặc tối đa ba âm thanh tham chiếu để định hướng chất giọng, nhưng không dùng cả hai trong cùng một clip.

Điểm hay của Mage nằm ở những gì diễn ra sau đó. Một nhân vật đã lưu có thể mang theo giọng nói, và các mô hình video đọc được giọng nhân vật là Cherry, Raspberry, Plum, Lemon và MiniMax-H3 sẽ tự động dùng giọng đó, nên nhân vật bạn thiết kế luôn nghe giống nhau trong mọi clip. Ứng dụng Lipsync cũng có thể lấy một đoạn thoại bạn đã tạo và ghép khuôn mặt khớp theo.

Một prompt giọng nói gồm hai phần: nói gì và nghe như thế nào. Hãy đặt lời thoại trong dấu ngoặc kép để rõ đó là kịch bản, rồi mô tả phần thể hiện xung quanh. "Một người đàn ông ngoài bảy mươi, giọng ấm và khàn, chậm rãi và thích thú, ghé sát micro trong căn phòng yên tĩnh, nói: “Câu chuyện nào cũng bắt đầu từ một người lẽ ra nên ở nhà.”" cho Seed Audio biết người nói, cách diễn đạt và không gian.

Những chi tiết làm giọng thay đổi nhiều nhất là độ tuổi, năng lượng, nhịp độ và khoảng cách. Tiếng thì thầm sát micro, giọng sân khấu trong hội trường lớn và giọng mệt mỏi qua điện thoại là ba cách thể hiện hoàn toàn khác nhau cho cùng một câu. Hãy gọi tên cảm xúc bằng động từ, như trêu chọc, nài nỉ hay tuyên bố, thay vì chỉ dùng tính từ.

• Đặt chính xác lời thoại trong dấu ngoặc kép
• Nêu độ tuổi và mức năng lượng
• Nêu nhịp độ: thong thả, nhanh gọn, ngập ngừng
• Mô tả không gian: phòng thu, đường phố, nhà thờ lớn, điện thoại
• Dùng một câu 5 hoặc 10 giây để thử giọng trước khi đọc bài dài

Seed Audio trả về đúng thời lượng bạn chọn, nên hãy chọn độ dài khớp với kịch bản. Một câu thoại hoặc một phản ứng vừa với 5 hoặc 10 giây. Một đoạn lồng tiếng ngắn hay phần đọc giới thiệu sản phẩm vừa với 30 giây. Một cảnh hội thoại hoặc lời dẫn vừa với 60 hoặc 120 giây. Kịch bản quá dài so với clip sẽ bị đọc vội; quá ngắn thì cuối clip sẽ thừa khoảng lặng hoặc tiếng nền.

Hãy tính trước âm thanh sẽ dùng ở đâu. Lipsync và Music Video nhận âm thanh dài tối đa 15 giây, nên với chân dung biết nói, hãy viết một câu vừa trong 10 giây và tạo đúng độ dài đó.

Một nhân vật trên Mage có thể mang theo giọng nói: tải lên tệp MP3 hoặc WAV, hoặc tạo một đoạn mẫu ngắn bằng Seed Audio khi tạo nhân vật. Từ đó, Cherry, Raspberry, Plum, Lemon và MiniMax-H3 sẽ tự động dùng giọng này mỗi khi nhân vật nói. Hướng dẫn tạo nhân vật bằng AI nói về nhân vật, còn hướng dẫn ảnh biết nói bằng AI chỉ cách làm cho một bức chân dung nói một câu thoại.

Chỉ dùng âm thanh tham chiếu là giọng của chính bạn, hoặc giọng bạn được phép sử dụng. Mage không cho phép bắt chước người thật khi chưa có sự đồng ý của họ.